关键词： 遥感数字图像处理   教学改革   工程教育   成果导向教育   Jupyter笔记本  

摘要： 在工程教育改革和测绘学科智能化转型的背景下,培养具备遥感数字图像处理基础理论与程序实践能力的本科毕业生对于满足就业市场和学生学术深造的需求至关重要。然而,现行“遥感数字图像处理”课程教学存在理论与程序实践脱节、教学方法单一、学生自主学习场景匮乏等问题。课程改革遵循以学生为中心,成果导向的工程教育理念,对课程目标、教学内容和评价方式进行系统性重构,形成基础理论、技术能力和思政教育三线驱动的教学模式,同时,借助Jupyter Notebook工具设计交互式的教学场景。课程改革增强课程的互动性和趣味性,激发学生兴趣,促进从知识掌握到能力养成的转化。

关键词： 深度学习   铁路巡检   无人机   目标检测   语义分割  

摘要： 在铁路维护与安全监测领域,无人机巡检作为一种高效且能够加快发展新质生产力的方式被业界看好。现有成果多聚焦于铁路某一具体设施场景下无人机自主巡检算法的研究,综述性文章并不多见。基于此,对铁路设施无人机自主巡检算法进行系统性分析总结。归纳了当前铁路无人机自主巡检的场景和难点,分析了无人机自主巡检在各个场景下的特有问题,对近年来巡检算法研究进行总结归纳。从分析结果来看,现有研究多侧重于异物入侵和轨道扣件等缺陷的检测,而隧道和水害防治等领域的研究则相对不足。汇总了现公开的铁路相关数据集,并对评价指标从精度、速度、复杂度进行整理,对该领域未来研究方向进行展望。以期该项工作为相关领域的研究者提供宝贵的参考和指导。

关键词： 协同感知   3D目标检测   通信延迟   时空序列预测   注意力机制   特征融合  

摘要： 针对车辆协同感知3D目标检测在通信延迟条件下精度较低的问题,提出一种通信延迟下车辆协同感知的3D目标检测方法。设计时空预测模块,提取通信延迟车辆历史感知特征序列中的时空特征,以预测当前时刻的感知特征,基于预测特征构建感知融合模块,利用注意力机制动态融合感知特征,以降低预测误差影响,提高检测精度。该方法在OPV2V、V2XSet和V2V4Real数据集上进行实验,与Where2Comm、V2VNet等主流协同感知方法相比。实验结果表明,在所对比的方法中,Where2Comm在不同延迟下的3D目标检测平均精度最优,该方法相比Where2Comm在400 ms下的平均精度分别提高了5.9、3.9和1.5个百分点。

关键词： 松材线虫病   大尺度范围疫木识别   无人机航拍图像   目标检测   YOLOv7  

摘要： 松材线虫病是一种危害程度极高的传染性松树病害。为精确掌握大尺度范围松材线虫病疫木的数量和分布,提出了一种基于改进YOLOv7的无人机航拍图像下松材线虫病疫木检测模型。首先,针对因航拍图像背景复杂而导致的疫木错检漏检问题,在模型主干特征提取部分引入SimAM注意力机制,以便模型更好地聚焦松材线虫病疫木颜色、纹理等关键特征;其次,用ConvNeXt网络对Head部分的ELAN-W网络进行替换,以提高模型对单株疫木的特征提取效率,在降低模型参数量的同时提升模型检测速度;然后,引入SPD-Conv以提高低分辨率航拍图像下小目标的检测精度;最后,将颈部网络的卷积替换为CoordConv,以更好地感受特征图中疫木的位置信息。在自建的松材线虫病疫木数据集中进行了大量验证,结果表明:经改进后的YOLOv7模型检测精确度为91.1%,召回率为93.5%,F_(1)分数为92.3%,与原YOLOv7模型及其他当前主流模型相比,各项主要指标均有一定提升。在选取的两块不同区域测试样地上的实验结果表明,本模型具有较好的适应性,可有效应用于大尺度松材线虫病疫木普查任务中。

关键词： 目标检测   果实成熟度检测   YOLOv5s   Ghostnet   NAMAttention  

摘要： 针对智能采摘领域中樱桃成熟度检测的挑战,文章选取了YOLOv5s模型作为基础,并进行了针对性的改进和优化,旨在提升模型在樱桃成熟度检测任务中的性能和准确性。首先采用GhostNet替代主干网络,其次增加了NAMAttention模块,显著减少了模型的参数数量和计算需求,并且提升了检测准确性。实验结果显示,改进后的模型与YOLOv5s相比,每秒帧数提升了34%,参数数量减少了25%,FLOPs降低了29%,并且在mAP@0.5指标上实现了约6.2%的提升。此外,与多阶段模型相比,该模型在平均精度、效率和计算负载方面均表现优越。由此可见,改进后的模型能够更加高效、精准地进行樱桃成熟度识别。

关键词： 输送带   表面破损   目标检测   YOLOv8  

摘要： 针对煤矿输送带表面产生的破损,采用改进的YOLOv8网络进行检测。首先在YOLOv8网络Backbone中的C2f之后添加高效通道注意力(ECA)模块;其次将Backbone中的标准卷积层替换为深度可分离卷积(DSC)层;最后将损失函数替换为高效交并比(EIoU)。实验结果表明,改进后的网络可高效提取破损特征,减少了网络的计算量,加快了网络训练的收敛速度,最终准确率提升至94.8%。

关键词： 桥梁检测   裂缝识别   图像处理   连通域   最大内切圆  

摘要： 针对桥梁裂缝识别算法精度不高、应用效果不佳的问题,该文以桥梁表观高精度图像为研究对象,提出一种基于图像连通域特征与最大内切圆计算原理的裂缝识别算法(CIACM)。首先,采用灰度化、匀光滤波和边缘检测等传统图像处理算法将裂缝边缘特征显现;随后,基于连通域特征与最大内切圆计算原理进行裂缝识别,并筛选裂缝最大宽度处。试验结果表明:该算法计算绝对误差不超过0.02 mm,相对误差平均值为2.47%,标准差为1.52%;对于宽度<0.2 mm的细微裂缝,相对误差平均值为4.71%,标准差为1.54%,满足桥梁检测精度要求。研究表明:CIACM算法可有效提升裂缝识别精度,尤其适用于细微裂缝检测,为桥梁表观损伤自动化评估提供了可靠的技术支持。

关键词： 缺陷检测   深度学习   空间特征采样   协作混合分配训练   计算机视觉  

摘要： 目前,虽然已经有一些基于图像处理技术的竹片缺陷检测方案,但这些方案检测存在种类较少、实用性较差且难以部署在机器上等缺陷,为此,提出一种改进的竹片缺陷检测模型。该模型为改进的可变形-端到端目标检测(Deformable-DETR)模型,首先将骨干网络替换成由DCNv3卷积为核心而堆叠设计的InternImage,该网络在保留卷积神经网络(CNN)先验特性的情况下还能捕捉到长距离依赖,使提取到的特征空间语义更丰富;然后在特征提取后新增一个采样模块,该采样模块将图像特征抽象为精细的前景特征和少量粗糙的背景特征,不仅能去除冗余的背景特征信息,还能提取高语义前景信息;最后引入一种新颖的协作混合分配训练策略,该策略通过训练由一对多标签分配监督的多个并行辅助头,提高编码器在端到端检测器中的学习能力。此外,使用数据增强来扩展数据集,并使用迁移学习,以增强竹片缺陷的检测。试验结果表明,该改进方法可以提高模型的缺陷特征提取与解析的能力,并在测试数据集上取得了85.7%mAP50(全类平均精确度),单张图片推理时间为0.28 s,检测精度优于其他主流目标检测模型,为竹片缺陷检测提供新的方法。

关键词： 目标检测   YOLOv7-tiny   SAR图像   轻量化模型   通道剪枝   损失函数  

摘要： 海上舰船目标识别是海洋监测的重要一环,也是世界各海岸地带国家国土安全的重要解决方案之一。针对SAR图像舰船目标检测存在识别精度低、训练模型大等问题,提出了一种基于通道剪枝的改进YOLOv7-tiny海上舰船识别算法。首先,采用MobileNetV3替代原有主干网络,以降低模型的计算量和体积,实现模型轻量化;其次,引入MPDIoU简化计算过程,优化模型的收敛性;最后,通过通道剪枝提高模型精度,同时平衡模型体积和计算量的降低幅度,进一步优化算法模型。实验结果表明,改进算法相对于YOLOv7-tiny,召回率提升了5.85个百分点,mAP提升了3.69个百分点,参数量减少了63.35%,计算量减少了70%。

关键词： 橡胶分子   Hessian矩阵   橡胶结构   图像处理技术   橡胶材料   多元函数   电子显微镜   网络结构  

摘要： 横滨橡胶公司开发了一种新的图像处理技术,可以清晰地可视化橡胶材料内部的纳米级结构。该技术由筑波大学和日本科学技术振兴机构合作开发,将其应用于传统的电子显微镜图像,可清除噪音和不清晰的轮廓,清楚地捕获橡胶分子的网络结构。该技术的原理是基于橡胶材料构建内部结构模型,并将其与Hessian矩阵分析技术(一种用于多元函数敏感性分析的方法)相结合,共同实现高质量图像的橡胶结构。